代金坤1，羅玉濤1，梁偉強(qiáng)2

（1.華南理工大學(xué)機(jī)械與汽車工程學(xué)院，廣州 510640；2.廣汽集團(tuán)汽車工程研究院，廣州 510640）

［摘要］ 本文中提出了一種無(wú)人車行駛環(huán)境圖像的幾何測(cè)距方法。首先，利用遷移學(xué)習(xí)的方法改進(jìn)Tiny-YOLOv2網(wǎng)絡(luò)模型，對(duì)需識(shí)別的物體進(jìn)行訓(xùn)練與檢測(cè)，標(biāo)記物體并定位物體在圖像中的位置。其次，提出了一種通過(guò)物體分類、邊緣檢測(cè)及邊緣擬合的方法，進(jìn)一步提取物體的圖像信息。最后，建立了一種基于空間幾何理論的測(cè)距模型，結(jié)合物體先驗(yàn)信息實(shí)現(xiàn)了物體的距離測(cè)量。該方法在4 m以內(nèi)88%以上的測(cè)量值誤差不超過(guò)0.2 m，同時(shí)測(cè)量誤差并沒(méi)有隨著距離的增加而有較大變化。

關(guān)鍵詞：幾何測(cè)距；單目視覺(jué)；卷積神經(jīng)網(wǎng)絡(luò)；遷移學(xué)習(xí)；圖像分割

前言

視覺(jué)傳感器具有提取信息量大、信息完整、價(jià)格便宜等優(yōu)點(diǎn)，故成為獲取周圍環(huán)境信息的重要手段之一。由于圖像存在深度缺失以及背景環(huán)境干擾等問(wèn)題，通過(guò)單目攝像頭對(duì)物體進(jìn)行準(zhǔn)確測(cè)距的方法一直是視覺(jué)研究的難點(diǎn)之一，目前主流的檢測(cè)方法有：使用運(yùn)動(dòng)圖像中的多個(gè)匹配點(diǎn)對(duì)物體深度進(jìn)行估測(cè)［1-5］；通過(guò)尋找穩(wěn)定參照物的方法獲得距離信息［6-7］；通過(guò)固定攝像頭位姿狀態(tài)下的物體距離檢測(cè)方法［8-10］；通過(guò)卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)物體在圖片中的大概尺寸，結(jié)合先驗(yàn)信息進(jìn)行估測(cè)［11-13］。這些方法都有一定的可行性，但都存在精度低、適用性窄、容易受環(huán)境干擾以及步驟繁瑣等問(wèn)題。利用卷積神經(jīng)網(wǎng)絡(luò)預(yù)先提取所測(cè)物體位置，再經(jīng)過(guò)圖像分割得到所測(cè)物體信息的方法，減少了由于外界環(huán)境的影響而帶來(lái)的誤差，具有更好的適用性、可靠性和抗干擾能力。

針對(duì)單目物體測(cè)距中深度缺失、背景干擾與前景分割困難等問(wèn)題，提出了一種基于幾何測(cè)距模型的物體測(cè)距方法。首先，使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)物體進(jìn)行標(biāo)記并定位物體在圖片中的位置，為了提高訓(xùn)練效率與準(zhǔn)確率，在此利用遷移學(xué)習(xí)的方法，使用Tiny-YOLOv2網(wǎng)絡(luò)模型加載已訓(xùn)練完成的權(quán)重，對(duì)需識(shí)別的物體進(jìn)行訓(xùn)練與檢測(cè)，之后根據(jù)訓(xùn)練結(jié)果對(duì)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)，并對(duì)其參數(shù)進(jìn)行調(diào)整，獲得更為適合于當(dāng)前環(huán)境下的物體檢測(cè)卷積模型。然后，提出了一種通過(guò)物體分類、邊緣檢測(cè)和邊緣擬合技術(shù)獲得物體數(shù)值信息的方法，該方法能精確提取物體的圖像信息，并轉(zhuǎn)化為數(shù)值信息。最后，建立了一種基于空間幾何理論的測(cè)距模型，結(jié)合在圖像中提取的物體數(shù)據(jù)信息和物體尺寸的先驗(yàn)信息實(shí)現(xiàn)了物體的距離測(cè)量。

1 物體檢測(cè)與識(shí)別

1.1 模型訓(xùn)練

直接在原始圖像上進(jìn)行物體的分割與數(shù)值化，存在物體提取困難以及計(jì)算量過(guò)大等問(wèn)題，故先使用卷積神經(jīng)網(wǎng)絡(luò)模型在壓縮尺寸后的圖像上對(duì)物體進(jìn)行檢測(cè)與定位，得到物體的位置后再?gòu)脑紙D像中將物體裁剪出來(lái)進(jìn)一步處理。本文中使用遷移學(xué)習(xí)的方法，在已有的模型和通用數(shù)據(jù)庫(kù)訓(xùn)練得到的權(quán)重下，加入自己的數(shù)據(jù)集，可快速得到理想權(quán)重，極大地節(jié)約了時(shí)間與成本。

目前基于深度學(xué)習(xí)的主流目標(biāo)檢測(cè)算法主要有以R-CNN［14-16］系列（R-CNN、Fast R-CNN、Faster RCNN）為代表的算法，和以SSD［17］、YOLO［18-20］系列（YOLOv1，YOLOv2，YOLOv3，Tiny-YOLO）為代表的算法。一般情況下，R-CNN系列算法精度比SSD、YOLO系列算法高，但SSD、YOLO系列算法速度更快。SSD、YOLO系列算法在經(jīng)過(guò)改進(jìn)后精度已有很大的提升，已接近甚至超越了R-CNN系列算法。本文中基于YOLOv2模型的簡(jiǎn)化版本Tiny-YOLOv2進(jìn)行目標(biāo)檢測(cè)，提高了訓(xùn)練速度與處理效率。

1.2 Tiny-YOLOv2網(wǎng)絡(luò)改進(jìn)

本文中的數(shù)據(jù)集數(shù)據(jù)較少、物體種類不多，且識(shí)別目標(biāo)較小，基于通用物體識(shí)別的Tiny-YOLOv2網(wǎng)絡(luò)并不能表現(xiàn)出最優(yōu)的檢測(cè)效果，故在此對(duì)原網(wǎng)絡(luò)模型進(jìn)行改進(jìn)。由于Tiny-YOLOv2本身即為簡(jiǎn)化版本，網(wǎng)絡(luò)結(jié)構(gòu)已達(dá)到效率最高，故在此保留原網(wǎng)絡(luò)層數(shù)，而將第13層的卷積層由Conv3*1024改為Conv3*512，將最后一層卷積層由Conv1*425改為Conv1*50，具體情況如表1所示，以此來(lái)進(jìn)一步提高物體的檢測(cè)準(zhǔn)確率與檢測(cè)效率。

表1 改進(jìn)前后網(wǎng)格對(duì)比

     

利用265張訓(xùn)練集圖片數(shù)據(jù)進(jìn)行訓(xùn)練，60張測(cè)試集圖片進(jìn)行測(cè)試，共檢測(cè)識(shí)別了5種不同的物體，分別為門牌、逃生通道燈、車牌和兩種常見(jiàn)提示牌，在同一電腦配置下，通過(guò)原網(wǎng)絡(luò)和改進(jìn)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在其余參數(shù)設(shè)置相同的情況下，原網(wǎng)絡(luò)在迭代次數(shù)為400次時(shí)損失函數(shù)不再下降，改進(jìn)網(wǎng)絡(luò)在迭代次數(shù)為1 100次時(shí)損失函數(shù)不再下降，改進(jìn)網(wǎng)絡(luò)訓(xùn)練情況部分識(shí)別結(jié)果如圖1所示，原網(wǎng)絡(luò)訓(xùn)練情況在這里不做描述，訓(xùn)練集損失函數(shù)對(duì)比如圖2所示。

基于遷移學(xué)習(xí)優(yōu)勢(shì)，原網(wǎng)絡(luò)和改進(jìn)網(wǎng)絡(luò)的訓(xùn)練效率都有較大幅度提升，改進(jìn)網(wǎng)絡(luò)由于網(wǎng)絡(luò)模型發(fā)生改變導(dǎo)致部分權(quán)重需重組，所以訓(xùn)練時(shí)間更長(zhǎng)，但是改進(jìn)網(wǎng)絡(luò)最終的平均損失率要低于原網(wǎng)絡(luò)。

由表2可知，由于樣本總量較小，導(dǎo)致兩種網(wǎng)絡(luò)在測(cè)試集的識(shí)別率都較低，但相對(duì)來(lái)說(shuō)改進(jìn)網(wǎng)絡(luò)的識(shí)別率仍有顯著的提升。同時(shí)，在訓(xùn)練集的識(shí)別率與檢測(cè)速度上改進(jìn)網(wǎng)絡(luò)皆優(yōu)于原網(wǎng)絡(luò)。

   

圖1 部分識(shí)別結(jié)果

   

圖2 損失函數(shù)對(duì)比

表2 網(wǎng)絡(luò)對(duì)比

     

2 物體分割與數(shù)值化

此步驟的主要目的是從第1.2節(jié)中裁剪出來(lái)的圖片中獲取物體的數(shù)值信息，即不僅要將物體分割提取，并且要將提取到的物體邊界進(jìn)行數(shù)值化，物體由于射影定理，在圖片上的形狀為多邊形，而對(duì)于多邊形而言，只要得到邊緣頂點(diǎn)坐標(biāo)即確定了多邊形的全部數(shù)值信息。在此提出了一種通過(guò)物體分類、邊緣檢測(cè)和邊緣擬合獲得物體數(shù)值信息的方法。

2.1 邊緣檢測(cè)

因?yàn)椴煌奈矬w在紋路和顏色方面有些許差異，使用通用的檢測(cè)參數(shù)與檢測(cè)方法并不能獲得最優(yōu)的效果。故該方法首先通過(guò)上文中物體檢測(cè)獲得的物體標(biāo)簽信息將物體進(jìn)行分類，根據(jù)不同的物體種類設(shè)置不同的檢測(cè)參數(shù)與檢測(cè)流程，以此來(lái)獲得最優(yōu)檢測(cè)效果。主要變動(dòng)的參數(shù)包括：邊緣檢測(cè)閾值、色彩空間提取的RGB顏色范圍、Hough直線檢測(cè)線段閾值。主要的檢測(cè)流程包括：中值濾波消去噪聲、使用Canny函數(shù)進(jìn)行邊緣檢測(cè)、使用色彩空間過(guò)濾顏色、使用OSTU算法進(jìn)行圖像二值化處理、使用Hough變換檢測(cè)直線，以此得到物體的邊緣信息，具體參數(shù)如表3所示。

表3 主要方法與主要參數(shù)

     

2.2 邊緣擬合

通過(guò)滑動(dòng)窗口的二次多項(xiàng)式擬合算法可有效提取與擬合多邊形邊緣，為提高擬合效果，在此對(duì)算法進(jìn)行改進(jìn)，加入了k、l1、l2、r1、r2感興趣區(qū)域的參數(shù)，具體過(guò)程如下。

首先，統(tǒng)計(jì)圖片某部分的每列像素之和，以左右兩邊的感興趣區(qū)域?yàn)榉秶褜は袼刂岛偷淖畲笾底鳛榛瑒?dòng)窗口的起始點(diǎn)。

 

式中：Pij為圖像的像素矩陣P第i行、第j列的值；m、n為圖像的像素寬度與高度；hj為每列像素之和；B l、B r為滑動(dòng)窗口的左右初始點(diǎn)；k、l1、l2、r1、r2為感興趣區(qū)域的參數(shù)。

根據(jù)式（1）獲得初始點(diǎn)之后，算法根據(jù)一個(gè)矩形面積向上生長(zhǎng)，根據(jù)矩形中像素最大值確定生長(zhǎng)方向以及下一個(gè)初始點(diǎn)，以此迭代，最后通過(guò)多項(xiàng)式擬合方法對(duì)每一個(gè)矩形的中心點(diǎn)進(jìn)行擬合，最終得到邊界信息，設(shè)矩陣4個(gè)頂點(diǎn)坐標(biāo)分別為（w1，h1）、（w1，h2）、（w2，h2）和（w2，h1），迭代過(guò)程如式（2）所示。

 

式中：N為矩形內(nèi)像素之和；cj為矩形內(nèi)每列像素之和；Bc為滑動(dòng)窗口的迭代后的初始點(diǎn)。

由于多邊形邊界分布在圖像邊緣部分，以此為據(jù)對(duì)算法參數(shù)進(jìn)行設(shè)置，增加了滑動(dòng)窗口在圖像邊緣部分的搜索力度，并在寬度和高度方向上各使用一次。在已知圖像尺寸m、n的情況下，通過(guò)對(duì)算法參數(shù)的反復(fù)調(diào)整，得到最優(yōu)的擬合方法，參數(shù)設(shè)置如表4所示，最終效果如圖3所示。

表4 參數(shù)設(shè)置

     

   

圖3 檢測(cè)示例

根據(jù)擬合結(jié)果可得數(shù)條直線，求解相鄰直線的交點(diǎn)，即可得到多邊形的頂點(diǎn)坐標(biāo)信息（u，v）。

 

如圖3所示，通過(guò)該方法能準(zhǔn)確地提取各類物體的邊緣信息并進(jìn)行數(shù)值擬合，得到物體的頂點(diǎn)坐標(biāo)信息，整體上則取得了較好的效果。

3 通過(guò)幾何測(cè)距模型進(jìn)行測(cè)距

在此提出了一種結(jié)合物體尺寸的先驗(yàn)信息進(jìn)行測(cè)距的幾何測(cè)距模型，通過(guò)建立攝像機(jī)小孔成像模型來(lái)確定空間目標(biāo)三維立體信息與圖像二維成像點(diǎn)面之間的對(duì)應(yīng)關(guān)系［21-22］，并通過(guò)第2章中獲得的物體數(shù)值信息與先驗(yàn)信息，得到物體的距離。小孔成像模型示意圖如圖4所示。

 

式中：K為相機(jī)的內(nèi)參數(shù)矩陣；fx、fy分別為x、y軸方向的放大系數(shù)；cx、cy為物理成像坐標(biāo)系和像素坐標(biāo)系之間的位移量。

通過(guò)第2章中物體提取與數(shù)值化的方法，得到

   

圖4 小孔成像模型

物體在像素平面內(nèi)的多點(diǎn)坐標(biāo)（ui，vi）。通過(guò)式 （4），得到含有未知數(shù)Z的物體在相機(jī)坐標(biāo)系下的三維坐標(biāo)。

 

根據(jù)立體幾何學(xué)，在空間中任意不共線的3點(diǎn)構(gòu)成一個(gè)平面，在此已知相機(jī)坐標(biāo)系下4點(diǎn)之間的相互關(guān)系，則可構(gòu)建以下關(guān)系：

 

觀察式（11）左邊第3項(xiàng)，在實(shí)際應(yīng)用中由于物體在空間中的位姿對(duì)Z值的影響較小，可認(rèn)為Zi≈Zj成立，故在此做近似處理，由基本不等式a+b≥可將式（11）化簡(jiǎn)：

 

由于物體始終在相機(jī)前方，故在此Zi≥0恒成立。令xi=，在此以矩形的求解過(guò)程舉例，將其分割為兩個(gè)三角形進(jìn)行求解。

 

觀察得知，該方程組為超定方程組，在存在測(cè)量誤差的情況下，該方程組一般而言沒(méi)有解，所以使用最小二乘法求其近似解，通過(guò)最小二乘原理，將式（14）轉(zhuǎn)化為如下矩陣進(jìn)行求解。

 

 

對(duì)矩陣方程進(jìn)行求解，即可得到各個(gè)頂點(diǎn)的Z軸信息再通過(guò)式（16）求距離信息。將各點(diǎn)距離信息求均值，得到物體中心點(diǎn)的距離信息，至此測(cè)距完成。

 

4 測(cè)試結(jié)果

為驗(yàn)證所采用方法在實(shí)際應(yīng)用中的準(zhǔn)確度與抗干擾能力，通過(guò)采集多組實(shí)際場(chǎng)景信息對(duì)方法進(jìn)行驗(yàn)證。本文中使用darkflow模塊對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行修改和調(diào)用，使用numpy庫(kù)對(duì)幾何模型中的矩陣運(yùn)算進(jìn)行優(yōu)化。

攝像頭使用的物理感光元件為索尼公司的IMX498傳感器，傳感器尺寸為1/2.8英寸，長(zhǎng)寬比例4∶3，攝像頭實(shí)際焦距為3.5 mm。分析該方法的過(guò)程發(fā)現(xiàn)，檢測(cè)的精度主要與物體在圖片中的像素尺寸和位姿有關(guān)，與物體實(shí)際距離的遠(yuǎn)近無(wú)關(guān)，即只要物體在圖像中存在合理的尺寸與位姿，物體的實(shí)際距離并不會(huì)影響該方法的測(cè)量精度，故在此采集了1～4 m范圍內(nèi)的圖像數(shù)據(jù)作方法的驗(yàn)證。通過(guò)該攝像頭檢測(cè)3類大小不同的物體，分別在1、2、3、4 m處各個(gè)不同的位置進(jìn)行圖片采集與檢測(cè)，經(jīng)過(guò)篩選后得到總計(jì)42張不同距離和角度的圖像，部分圖像如圖5所示。

對(duì)每組圖像中的物體進(jìn)行距離測(cè)量，測(cè)量結(jié)果如圖6所示。

測(cè)量結(jié)果表明，該測(cè)量方法的精確度較高，在4 m以內(nèi)88%以上的測(cè)量值誤差不超過(guò)0.2 m。測(cè)量誤差并沒(méi)有隨著距離的增加而有較大變化，而是穩(wěn)定在一個(gè)固定的區(qū)間范圍內(nèi)。

5 結(jié)論

   

圖5 部分圖像

   

圖6 測(cè)量結(jié)果

基于遷移學(xué)習(xí)的方法改進(jìn)了Tiny-YOLOv2網(wǎng)絡(luò)模型，將原網(wǎng)絡(luò)的檢測(cè)效率與測(cè)試集準(zhǔn)確率提高了1.5幀與11%。通過(guò)該檢測(cè)網(wǎng)絡(luò)得到了被測(cè)物體的標(biāo)簽信息與在圖像中的位置信息，將物體從原圖像中進(jìn)行裁剪用于下一步處理。

提出了一種檢測(cè)物體邊界數(shù)值信息的方法，該方法通過(guò)檢測(cè)到的標(biāo)簽信息對(duì)物體進(jìn)行分類，對(duì)不同種類的物體通過(guò)不同的閾值參數(shù)信息與不同的圖像處理組合方法進(jìn)行邊緣檢測(cè)及邊緣擬合，獲得準(zhǔn)確的物體數(shù)值信息。

建立了一種檢測(cè)物體距離的幾何測(cè)量模型，該模型結(jié)合物體尺寸的先驗(yàn)信息與得到的物體在圖像中的數(shù)值信息，對(duì)物體進(jìn)行準(zhǔn)確的測(cè)距。通過(guò)試驗(yàn)證明，該測(cè)量方法的精確度較高，在4 m以內(nèi)88%以上的測(cè)量值誤差不超過(guò)0.2 m，同時(shí)測(cè)量誤差并沒(méi)有隨著距離的增加而有較大變化，而是穩(wěn)定在一個(gè)固定的區(qū)間范圍內(nèi)。

參考文獻(xiàn)

［1］ 樊露.單目攝像頭精確測(cè)距技術(shù)及實(shí)現(xiàn)方法［J］.裝備制造技術(shù)，2016（3）：185-187.

［2］ VOGIATZIS G，CARLOS H.Video-based，real-time multi-view stereo［J］.Image&Vision Computing，2011，29（7）：434-441.

［3］ EIGEN D，F(xiàn)ERGUSR.Predicting depth，surface normals and semantic labels with a common multi-scale convolutional architecture［C］.2015 IEEE International Conference on Computer Vision（ICCV）.IEEE，2015：2650-2658.

［4］ TATENO K，TOMBARF，LAINA I，et al.CNN-SLAM：real-time dense monocular SLAM with learned depth prediction［C］.2017 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）-CNN-SLAM，2017：6565-6574.

［5］ ENGEL J，KOLTUN V，CREMERS D.Direct sparse odometry［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2017：611-625.

［6］ 鄒斌，袁宇翔.面向智能交通的單目視覺(jué)測(cè)距方法研究［J］.交通運(yùn)輸系統(tǒng)工程與信息，2018（4）：46-53.

［7］ 李祎承，胡釗政，胡月志，等.基于GPS與圖像融合的智能車輛高精度定位算法［J］.交通運(yùn)輸系統(tǒng)工程與信息，2017，17（3）：112-119.

［8］ ROYER E，LHUILLIER M，DHOME M，et al.Monocular vision for mobile robot localization and autonomous navigation［J］.International Journal of Computer Vision，2007，74（3）：237-260.

［9］ 祝世平，強(qiáng)錫富.用于攝像機(jī)定位的單目視覺(jué)方法研究［J］.光學(xué)學(xué)報(bào)，2001，21（3）：339-343.

［10］ 郭磊，徐友春，李克強(qiáng)，等.基于單目視覺(jué)的實(shí)時(shí)測(cè)距方法研究［J］.中國(guó)圖象圖形學(xué)報(bào)，2018，11（1）：74-81.

［11］ 陳宗海，洪洋，王紀(jì)凱，等.基于循環(huán)卷積神經(jīng)網(wǎng)絡(luò)的單目視覺(jué)里程計(jì)［J］.機(jī)器人，2019，41（2）：13-21.

［12］ YOUNES G，ASMAR D，SHAMMAS E，et al.Keyframe-based monocular SLAM：design，survey，and future directions［J］.Robotics and Autonomous Systems，2017，98：67-88.

［13］ 李琳輝，倫智梅，連靜，等.基于卷積神經(jīng)網(wǎng)絡(luò)的道路車輛檢測(cè)方法［J］.吉林大學(xué)學(xué)報(bào)（工學(xué)版），2017，47（2）：384-391.

［14］ GIRSHICK R，DONAHUE J，DARRELL T，et al.Rich feature hierarchies for accurate object detection and semantic segmentation［C］.Proceedings of 2014 IEEE International Conference on Computer Vision and Pattern Recognition.Columbus，OH：IEEE，2014：580-587.

［15］ GIRSHICK R.Fast R-CNN［C］.Proceedings of 2015 IEEE International Conference on Computer Vision.Santiago：IEEE，2015：1440-1448.

［16］ REN S，HE K，GIRSHICK R，et al.Faster R-CNN：towards real-time object detection with region proposal networks［J］.IEEE Transactions on Pattern Analysis&Machine Intelligence，2015，39（6）：1137-1149.

［17］ LIU W，ANGUELOV D，ERHAN D，et al.SSD：single shot multibox detector［C］.European Conference on Computer Vision.Springer，Cham，2016：21-37.

［18］ REDMON J，DIVVALA S，GIRSHICK R，et al.You only look once：unified，real-time object detection［C］.CVRR，2016：779-788.

［19］ REDMON J，F(xiàn)ARHADI A.YOLO9000：better，faster，stronger［C］.2017 IEEE Conference on Computer Vision and Pattern Recognition（CVPR），2017：6517-6525.

［20］ REDMON J，F(xiàn)ARHADI A.YOLOv3：an incremental improvement［J/OL］.arXiv：1804.02767v1，2018.

［21］ 徐德，譚民，李原.機(jī)器人視覺(jué)測(cè)量與控制［M］.北京：國(guó)防工業(yè)出版社，2011.

［22］ XU L，CAOZ，LIUX.A monocular vision system for pose measurement in indoor environment［C］.IEEE International Conference on Robotics&Biomimetics.IEEE，2017：1977-1982.

Geometric Ranging of Unmanned Vehicle Driving Environment Image

Dai Jinkun1，Luo Yutao1&Liang Weiqiang2
1.School of Mechanical&Automotive Engineering，South China University of Technology，Guangzhou 510640；2.GAC Automotive Engineering Institute，Guangzhou 510640

［Abstract］ A geometric ranging method for the image of the driving environment of the unmanned vehicle is proposed.Firstly，the migration-learning method is used to improve the Tiny-YOLOv2 network model so as to train and detect the object to be identified，mark the object and locate the position of the object in the image.Secondly，a method of object classification，edge detection and edge fitting is proposed to further extract image information of the object.Finally，a ranging model based on spatial geometry theory is established，and the distance measurement of the object is realized by combining the prior information of the object size.With this method，more than 88% of the measurement error within 4 m is less than 0.2 m，and the measurement error does not change much with the increase of distance.

Keywords：geometric ranging；monocular vision；convolutional neural network；migration learning；image segmentation

doi：10.19562/j.chinasae.qcgc.2020.08.006

*廣東省科技計(jì)劃項(xiàng)目（2016B010132001）資助。

原稿收到日期為2019年10月11日。

通信作者：羅玉濤，教授，工學(xué)博士，E-mail：ctytluo@scut.edu.cn。